安全防范
-一*•逸癲
'*3°O G O°CL ..>9030^0<
r口o(J®
«o o o020
o0e00
o矩O Q C
摘要：人工智能(Artificial Intelligence)技术已经拉开时代的序幕，物联网设备已经普及，针对视频处理已经达到了实用程度。然而海量的视频数据汇聚到云端对于网络的要求很高，单独依靠云端对数据进行处理已经不能满足现实需求。随着智慧城市的发展，端边云的协同是必然趋势。终端设备依托边缘计算，以期在前端进行预警性质的反馈处理是比较合理的解决方案。在公共安全领域如何更灵活的利用AI作为下一步战略发展的关键点，是公安机关亟待思考和解决的问题之一。 引言
随着万物互联时代的到来，越来越多的数据汇聚到云服务端，造成了很大的数据压力。以视频为例，普通监控视频中存在大量无效信息，如果不经过提取，直接将视频回传到云服务端进行分析，会占用庞大的存储空间和网络带宽，同时还会占用相当数量的算力，可能给其他业务造成拥塞现象。通过融合边缘计算和视频处理技术，在前端设备上进行一些功能的业务预警及初步筛查，可以有效提升系统效率。
_、前端人工智能
现如今，物联网设备的普及，得益于天网、天眼等系统，随着计算机计算能力的不断提高，针对视频处理已经达到了实用程度。无论是交通路口最常见的违章传感器，亦或是城市乡村的视频监控，甚至是高速公路、国道、省道、乡镇公路，基本都被视频监控覆盖，犯罪分子几乎无处遁形。中国的法制社会做到了法网恢恢，疏而不漏。
图1端边云协同整体架构图
边缘计算结点
云端
ECSaaS SaaS（SttiSffiS）
施效仇化BUB住IS护的忧化
05・级升vFW VLB aamn vie
ECPaaS（平台K）PaaS（平台IK）
Si用卖例❺业务业务
应用件算现O应用开发、刼应用生AWMK9
*中式WK
采・与分折0
EClaaS<»件层）
及w amatie力
G=a—
laaS OR件晨)
Bi向终85旳生®冏IBM却
边级ICT■砂设施云i CTBiBifilS
76懂察覘32021年第2
期
如图"T所示，随着智慧城市的发展，端边云的协同是必然趋势。边缘计算是在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的分布式开放平台(架构)，就近提供边缘智能服务，满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。它可以作为联接物理和数字世界的桥梁，使能智能资产、智能网关、智能系统和智能服务。边缘计算具有联接性、数据第一入口、约束性、分布性、融合性的特点属性。
水火箭制作方法相较于目前使用广泛的云端人工智能，前端设备由于形态固定、性能有限、模型部署维护受环境影响较多等原因，需要从预警性质的特点出发，在功能精准度以及前端设备算力上做平衡。通过前端设备的边缘计算，减少部署在云端的计算压力，可以有效缓解网络视频回传延时、卡顿等问题，使物联网模式下多场景应用不再受限于网络带宽的传输能力。
前端人工智能和边缘计算的概念与发展情况如前所述，以人工智能为代表的新一轮科技革命，正在改变着我们未来的生活与工作。本文选取的人员聚集功能检测，源于人员聚集是公共安全中很多事故发生的必要条件。例如，2014年在上海市黄浦区外滩陈毅广场发生的跨年夜人员聚集踩踏事件，造成36人死亡，49人受伤；又譬如疫情防控期间要求避免人员聚集情况的发生，有助于控制新型冠状病毒的
传播等。试想如果在这些事故发生的第一时间，依靠基于前端设备的人员聚集检测，可以使公共安全人员在最短时间内进行排查，从而最大限度减少事故的影响范围。
关于人员聚集的检测，首先要检测到人，才能针对人员聚集进行检测。在人物检测算法中，物体边框从无到有，边框变化的过程在一定程度上体现了两个流派： (1)两阶检测算法通常在第一阶段专注于出物体出现的位置，得到建议框，保证足够的召回率，然后在第二阶段专注于建议框的分类，寻更精确的位置，典型算法如Faster RCNN O两阶算法通常精准度更高，但是速度较慢。
(2)_阶检测算法将两个阶段合二为一，在f阶段里完成寻物体出现的位置与类别预测，方法更为简单，依赖于特征融合等优秀的网络经验，速度比二阶网络更快，但精度会有所缺失，典型算法有SSD、YOLO冏系列等。
本文选取了速度较快的一阶检测算法YOLO,YOLO网络模型是一个先进的实时对象检测系统，基于端
到端思想的目标检测卷积神经网络，YOLO可以直接输入
图像进行训练，避开了背景和目标进行分离的步骤。考虑
到前端设备的因素，本文以YOLO V5算法为基础，得到视
频中人员出现的位置，然后再以人员聚集功能的检测为重
点，结合前端设备的预警性质以及公安系统的实际情况，
通过聚集人数、空间位置、滞留时间这三个主要因素来验
证前端设备的人员聚集功能。
(-)聚集皿
关于具体多少人员属于聚集其实并没有查到明确的定
义，笔者理解应该是单位面积人数过多即为聚集。针对不
同的场所，聚集人数应该设定一个阈值，可以根据实际情
况进行动态配置。
(二)空间位置
在人员聚集的判定中，笔者理解唯有人与人之间距离
较近才能算是聚集。关于人员空间位置的抽象参考了密度
聚类算法。密度聚类算法一般假定类别可以通过样本分布
的紧密程度决定。同一类别的样本，他们之间是紧密相连
的，在该类别任意样本周围不远处一定有同类别的样本存
在。通过将紧密相连的样本划为一类，就可以得到一个聚
类类别。通过将所有各组紧密相连的样本划为各个不同的
类别，就可以得到最终的所有聚类结果。
本文采用了DBScan基于密度的聚类算法来解决空间
位置的判定。DBScan聚类算法是基于一组邻域来描述样
本集的紧密程度，参数(Eps,MinPts)用来描述邻域的
样本分布紧密程度。其中，Eps描述了某一样本的邻域距
离阈值，MinPts描述了某一样本的距离为Eps的邻域中样
本个数的阈值。
映射到人员聚集的空间位置检测中，主要输入参数是
通过YOLO算法进行初步检测的图片信息以及聚集人员之
间的距离Eps与聚集人数阈值MinPts o
对比聚类算法中更为人知的K-Means算法，DBScan
算法有以下优势：
(1)不需要指定簇的个数；
(2)不局限于凸数据集，可以对任意形状的稠密数
据集进行聚类分析；
养生面膜(3)擅长在检测任务中到离点；
(4)只需要两个输入参数Eps和MinPts；
(5)聚类算法初始值对聚类结果影响较小。
屋面拉条考虑到摄像头拍摄的角度、采集距离等问题，目前没
有使用非极大值抑制NMS进行处理，为了改进模型效果，
Police Technology2021年第2期77
安全防范
使用了先验框改进方案回。针对视频中的空间位置关系判
钢丝绳滑轮定其实是最复杂的地方，对于视频中人员重叠相互遮挡等
问题，可以考虑采用热力图等方式进行分析。
（三）滞留时间针对不同的场所，滞留时间应该设定一个阈值，可以 根据实际情况进行动态配置。本文采用了长短期记忆
（Long short-term memory, LSTM ）对于视频中的人员
存在图片进行关联处理，需要说明的是考虑到前端设备的
内存有限，应当设定滞留时间上限以确保有足够的内存使 检测算法流畅运行。
三、结果分析
人员聚集的判定条件主要由视频区域中的人数、人员
图2近端坐姿聚集检测效果图
图3近端站姿聚集检测效果图
图4远端聚集检测效果图
之间的空间位置关系以及滞留的时间共同决定，效果如图
2 ~图5所示。
视频拍摄来源于俯拍夹角0 ~ 30度，图中绿框代表
检测到的人员，红框代表检测到人员聚集现象。图2-图
5设定的聚集人数阈值为3，聚集人员之间的距离为0.2倍
视频水平方向长度，人物远近距离根据拍摄角度做了一定
程度的换算处理，滞留时间阈值设定为10s 。图2、图3展
示了相同人员不同位置关系的聚集检测效果；图4、图5展 示了不同人员不同形态（或站或坐）远近位置关系的聚集
检测效果。
随着拍摄距离的提升，处于视频中远端的人物像素点
明显减少，人物检测漏检、误检情况会提升，所以人员聚
集功能的漏检、误检情况也会随之提升，另外摄像头对于
人物检测受到光线强弱变化明显，譬如夜间检测可以考虑 引入红夕隈像头解决此问题。
通过上述效果，可以看出前端设备在人员聚集功能的
原型验证基本满足前端设备预警性质的定位。后续将预警 性质的截图发送到云端流转或者直接发送至相关审查人
员，可以有效缓解多路视频对于云端业务的数据压力，同
时大大降低了由于网络传输带来的延迟，另外基于前端设 备直接反馈的预警信息处理速度更快，同时避免了传到云
端可能弓I 发的数据安全问题。
四、结语
随着人工智能技术在更多领域得到普适性的发展，依
托前端设备、边缘计算与云服务，以算法为核心，以数据
和硬件为基础，以提升感知识别、知识计算、认知推理、
运动执行、人机交互能力为重点，应用于社会安全风险监
测、预警、预报，响应公共安全领域事前预警、事中制
止、事后复核理念的倡导，打造智能安防与警用产品，用 实际行动助推科技强警的战略。IS
图5远端聚集检测效果图
[1] 边缘计算严业联盟与工业互联网产业联盟.边缘计算参考架
构3.0[Oq 201&
[2] Joseph Redmon, Santosh Diwala, Ross Giishick, Ali Faihadi You
Only Look Once: Unified, Real-Time Object Detection [OL].
内作
ht^s://aixiv.oig/abs/1506.02640, 2015.
[3] 唐士宇.基于深度学习的人目标检测[D].中国矿业大学,
2020.
78 廳匿
装配自动流水线3 2021年第2
期
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议